10 Banderas rojas que alertarán si su proyecto de analítica camina hacia el fracaso

By: Guido Secco
Oct.11, 2018
0

Por Jorge Barahona, Gerente de CPM Novatech

 

Hoy en día, es poco común encontrarse con un Director o Gerente que no reconozca sobre la necesidad de transformar la empresa en “Analytics Driven”.

Tal es la urgencia y la necesidad, que suena con fuerza en el mercado profesional los cargos como CHIEF ANALYTICS OFFICER (CAO) o CHIEF DATA OFFICER (CDO), ambos puestos cotizados y que lideran grandes inversiones empresariales para el análisis de datos.

Sin embargo, existen estudios que revelan resultados frustrantes en las compañías por los escasos proyectos exitosos de transformación analítica.

Este mismo estudio permitió encontrar lo que se consideran las “diez banderas rojas” que alertan sobre un potencial fracaso en los programas de Transformación Analítica en las organizaciones.

Revisaremos cada una de ellas, procurando guiar a nuestros lectores sobre alertas tempranas en un proceso de Data Driven Business y sugiriendo cursos de acción que les permita alcanzar un éxito justificado en este esfuerzo:

En una encuesta realizada por McKinsey, se encontró que solo el 8% de 1000 encuestados con iniciativas analíticas lograron hacer proyectos escalables más allá del 1er proyecto piloto.

1. El equipo líder de ejecutivos no tiene clara la visión del programa de transformación analítica:

Todavía los ejecutivos carecen de un claro entendimiento sobre las posibilidades que la analítica tradicional (Business Intelligence) y la analítica avanzada (Inteligencia Artificial, Analítica Predictiva y Analítica Prescriptiva) pueden entregar a las organizaciones. Con este grado de confusión, es posible fijar expectativas falsas en cuanto al principal objetivo del programa analítico. Como consecuencia de esta primera bandera roja, es que los proyectos carecen de tracción y poco a poco pierden el interés de la alta dirección.

Sugerencia

Crear una academia de analítica in house, donde se pueda transmitir correctamente el enfoque de cada uno de los tipos de analítica disponible actualmente con la tecnología, y los beneficios esperados.

2. Nadie determina el valor que puede crear cada uno de los CASOS DE USO ANALÍTICOS durante el primer año de implementación

Con el entusiasmo del inicio del programa, se diseñan proyectos que traen beneficios en cada esquina de la organización, involucrando a todo el personal y haciendo gastos tecnológicos gigantescos. Esto produce proyectos lentos y con muchas variables de riesgo.

Sugerencia

Priorizar los 3 primeros casos de uso, de entre 5 casos de uso previamente seleccionados mediante el impacto de valor que produce al negocio. Este proceso de priorización debe ser aplicado a toda la cadena de valor de la organización, hasta encontrar aquellos casos pilotos que demostrarán el beneficio tangible para la organización.

Gráfico 1.- Matriz de Priorización: La ilustración muestra un ejemplo de priorización de los proyectos con base en 2 variables, factibilidad e impacto al negocio.

3. No existe una estrategia luego de la instauración de un proyecto de analítica

Muchos de los ejecutivos encuestados confirmaron que se instauraron proyectos de analítica que arrojaron mucha información de valor, pero nunca se definió, previo al proyecto, qué tipo de decisiones se pueden tomar y quiénes serán los responsables de tomar aquellas decisiones.

Sugerencia

Los CAO y CDO deben cuestionar al área de negocio proponente, los siguientes temas:

* ¿Qué tipo de propuestas nuevas traen las tecnologías a implementar?

* ¿Qué mejoras directas traerán esas tecnologías a implementar?

* ¿Qué nuevas oportunidades de negocio se podrán aprovechar con las nuevas tecnologías?

4. Los Roles – actuales y futuros – son escasamente definidos

Los ejecutivos a cargo no son capaces de definir qué tipo de talentos analíticos posee la organización, peor aún no saben dónde están localizados y si esas habilidades podrían ser mejoradas para los intereses de la organización.

Sugerencia

En primer lugar, es necesario categorizar los distintos tipos de roles que apoyan la Transformación Analítica en las empresas, tales como Arquitectos de Datos, Analistas de Negocio, Desarrolladores de Visualización de Datos, Científicos de Datos, Líderes Analistas, etc. Una vez identificado el mapa de profesionales, es importante alinear sus habilidades con los proyectos de mejora.

En la siguiente gráfica se muestra un mapa de roles y responsabilidades generales que hoy en día las organizaciones necesitan en proyectos de analítica.

Las categorizaciones de habilidades se dividen en 3 tipos: Habilidades de Negocios, Habilidades Tecnológicas y Habilidades Analíticas, cada una de ellas con descripción de funciones claras y métricas.

Gráfico 2.- Mapa de Roles Analíticos y Responsabilidades.

5. Las organizaciones no cuentan con un traductor analítico

Este rol es de vital importancia ante la variedad de datos y requerimientos de negocio. Se trata de contar con la persona que entiende las oportunidades de negocio y puede traducir el requerimiento a un Ingeniero y Arquitecto de Datos para estructurar la base de información. Las organizaciones no cuentan con un perfil alineado de este tipo y tampoco es sencillo conseguirlo.

Sugerencia

Dada la necesidad de obtener un conocedor profundo del negocio, la mejor sugerencia es promover internamente este cargo . Será necesario formarlo y complementar sus habilidades con conocimientos de modelos matemáticos y estructuración de datos.

6. Las capacidades analíticas están aisladas de las áreas de negocio

Las empresas tienden a crear las capacidades analíticas en el área de TI o en un área centralizada. Ambos modelos alejan la posibilidad de encontrar oportunidades desde el interior de cada unidad de negocio, creando una estructura analítica organizacional poco efectiva, con cuellos de botella en las áreas centralizadas.

Sugerencia

En primera instancia, recomendaremos una estructura organizacional híbrida, en la que se combine las habilidades de las áreas de negocio con las habilidades analíticas, en un equipo multidisciplinario que se junta para crear los proyectos priorizados de analítica. Este modelo permitirá centralizar las mejores prácticas organizacionales, a la vez que se logra embeber a los equipos en cada una de las áreas de negocio. Sin embargo, esta sugerencia puede estar sujeta a la validación de la estructura empresarial completa y a la cultura que rige en cada caso.

7. Los esfuerzos costosos de Data Cleansing, empiezan en masa

Los directores piensan que es indispensable limpiar los datos a través de toda la organización antes de cualquier proyecto de analítica. La experiencia dice que los proyectos millonarios de limpieza de datos duran muy poco, por cuanto la variabilidad de los sistemas de datos no permiten hacer un tracking sobre el origen y estabilidad de los mismos, haciendo que, según la encuesta de Mc Kinsey, el 70% en promedio de los recursos invertidos terminen en desperdicio.

Sugerencia

Contrario a lo que las prácticas de Gobernabilidad de Datos indican, no se debe pensar en la limpieza general de datos como primer paso. Se debe trabajar en el proyecto priorizado de valor, y como consecuencia, en los esfuerzos para cuidar los datos de estos casos de negocio de alto impacto, para trabajar con recursos focalizados y que generen buenas prácticas organizacionales.

8. La fuente de datos no es construida para el propósito buscado

Las compañías creen que, para entrar en un proceso de Transformación Analítica, necesitan cambiar la base de información. Incluso piensan en sustituir los sistemas transaccionales con inversiones extremadamente caras. Por lo general, los proyectos de analítica avanzada empiezan por la construcción de un LAGO DE DATOS, los cuales no están enfocados en principio fundamental de generar impacto y valor en el negocio.

Sugerencia

La preparación de una nueva base de información, sea este un sistema legacy o un repositorio central de datos, puede llevarse en paralelo a la creación de una plataforma analítica que resuelva casos de uso priorizados.

9. Nadie conoce el impacto cuantitativo que los proyectos de analítica generan

Se conoce normalmente los costos de inversión en plataformas de analítica y otras inversiones tecnológicas, pero es sorprendente el desconocimiento que estos costos de inversión generan en la última línea de un PyG. Los indicadores que pretenden mirar este comportamiento están creados para medir el desempeño de los procesos, por tanto, son secundarios. Los indicadores prioritarios deben estar enfocados en medir la rentabilidad para el negocio en función del retorno que produce la nueva tecnología.

Sugerencia

Los Traductores Analíticos deben esforzarse en crear métricas financieras que permitan monitorear el valor para el negocio, de tal manera que se pueda reenfocar los esfuerzos -de ser necesario- a otros casos de uso que realmente generen valor. Las métricas financieras son jueces independientes que permiten monitorear no solo la inversión tecnológica, sino también el cumplimiento de objetivos de negocio propuestos en la priorización de casos de usos.

10. Nadie se enfoca en estudiar las implicaciones potenciales éticas, regulatorias y sociales que los proyectos de analítica avanzada puedan acarrear

Existen historias de compañías que luego de implementar proyectos exitosos de analítica avanzada, tuvieron que recortar o dar de baja estos proyectos, dados los riesgos sociales, regulatorios o éticos que el análisis de datos produce en correlación con la privacidad de la información, por ejemplo.

Sugerencia

El CDO debe contemplar un análisis de los riesgos implícitos en el montaje de nueva tecnología relacionada con datos. El CDO debería completar el estudio de factibilidad incorporando a su debido tiempo personal con experiencia legal, en Recursos Humanos y temas regulatorios, de tal forma que la inversión propuesta en analítica se reproduzca en un ambiente seguro.

Tomado de 10 banderas rojas en sus programas de analítica de McKinsey, 2018.

 


¿Hacia dónde se dirige la Inteligencia Artificial?

By: Guido Secco
Set.04, 2018
0

El solo hecho de imaginar que las máquinas pueden pensar y decidir por sí mismas emociona a científicos y empresas de todo el planeta.

Allá por la década de 1950, el pionero de la computación, Alan Turing, fue uno de los primeros en imaginar que las máquinas podrían llegar a pensar por sí mismas. Sin pensarlo, abrió el camino hacia la Inteligencia Artificial.

Hoy, varias años después, la Inteligencia Artificial (IA) permite que un smartphone reconozca a su propietario con solo escanear su rostro o que exista siri, un asistente personal virtual para los iPhone.

Giner Ordoñezdirector del Área Académica de Marketing de Postgrado UPC, señala que la IA está en la búsqueda de crear modelos que representen la forma de pensar del cerebro humano y funcionar igual o mejor.

“La IA ya se está utilizando en el campo de la medicina, el marketing y en la propia tecnología. Hoy para prevenir y repeler los ataques cibernéticos es muy útil”, destaca. Asimismo, los autos sin conductor y los robots son otra vertiente que se está explorando con bastante éxito en el mundo y en el que se espera que los avances pronto nos sorprendan.

¿EL FUTURO?
De acuerdo a información de la web Open Mind, la consultora prevé que ante de 2035 las empresas estadounidenses inviertan US$ 35.000 millones en tecnologías cognitivas. Sin embargo, también hay que tener en cuenta a otras naciones como China, Japón o algún miembro de la Unión Europea (UE), lo que haría que la cifra se incremente considerablemente.

El catedrático británico Keith Darlington, especialista en la IA, indica que en los próximos 15 años la robótica será la industria que más se desarrollarán gracias a este campo.

“Esto significa que, en el futuro, resulta probable que millones de robots ocupen el puesto de los obreros en las fábricas”, revela. Y es que los nuevos robots serán más móviles, flexibles y con una capacidad multitárea de carácter general, en comparación a los actuales que realizan labores repetitivas.

Del mismo modo, considera que probablemente los dispositivos inteligentes se comunicarán con nosotros utilizando el lenguaje natural de forma similar a como ocurre en una conversación con otros seres humanos.

Por su parte, Juan Murillo, miembro del equipo de BBVA Data & Analytics, ha escrito un artículo en el que sostiene que el diagnóstico médico puede llegar a ser casi impecable y que los servicios de educación, salud o finanzas se volverían más accesibles para la población en general. Y en un plazo de 30 años, los especialistas consideran que la IA superinteligente podría contribuir a resolver problemas que hoy escapan de nuestras manos: como la eficacia en el uso de la energía o el agua, así como la lucha contra el cambio climático o las sequías.

PANEL G: INTELIGENCIA ARTIFICIAL
En la última edición de Panel G: Inteligencia Artificial, los gerentes generales de los sectores de telecomunicaciones, tecnologías, banca, educación e hidrocarburos comentaron cómo está evolucionando la Inteligencia Artificial en el mercado peruano.

 

Fuente: Revista G. de Gestión

 


¿Qué factores impulsan el mayor ingreso de las empresas de América Latina a las cadenas de valor globales?

By: Jorge Choque
Abr.16, 2018
0

De acuerdo con un artículo del Banco Interamericano de Desarrollo (BID), si bien las oportunidades para las empresas de participar en las cadenas de valor regionales y globales son mayores que antes, a las pequeñas y medianas compañías de América Latina aún no les resulta fácil entrar en estas cadenas de producción.

“La participación puede medirse por el contenido importado promedio de las exportaciones. Comparativamente, el mismo es 33% en Europa, 29% en Asia-Pacifico y 18% entre los países de nuestra región”, precisa la nota.

En ese escenario, algunos de los factores que vienen apoyando y facilitando la integración de las empresas de América Latina como proveedoras de bienes terminados, intermedios y materias primas en las cadenas de valor globales son la simplificación, homologación y centralización de los trámites administrativos necesarios para mover las mercancías a través de las fronteras, siendo un gran ejemplo las Ventanillas Únicas de Comercio Exterior (VUCE).

“Es un mecanismo de facilitación del comercio exitoso, que permite reducir hasta un 50% los costos administrativos y el tiempo requerido para importar y exportar”, dice el informe.

Asimismo, otro de los elementos que impulsarán la inserción de las grandes, medianas y pequeñas empresas en las cadenas de valor internacionales, es la adecuada infraestructura logística y de transporte. “Pero la mejora de la calidad de las redes de transporte domésticas no es una competencia exclusiva del sector público, de hecho, la alianzas público-privadas son indispensables para lograr que el movimiento de mercaderías sea cada vez más ágil y eficiente”, apunta el artículo.

Ello tiene que incluir además un extenso conjunto de servicios con amplias posibilidades de negocio para el sector privado, como puertos y aeropuertos auxiliares, servicios de almacenamiento, aprovisionamiento, reparaciones o abastecimiento de combustible, que pueden mejorar sustancialmente con la participación privada, precisa la nota “¿Cómo impulsar la participación de las empresas del hemisferio en las cadenas de valor?”.

Otra de las barreras a la exportación de productos que forman parte de una cadena internacional de suministro es la falta de información. Una estrecha colaboración entre los sectores público y privado es esencial para diseñar programas de formación para potenciales exportadores; clínicas y capacitaciones en las que los vacíos de información puedan ser satisfechos por compradores internacionales; o las clásicas rondas de negocios y giras comerciales que fomentan el networking y las asociaciones.

Así mismo, las certificaciones de calidad, medioambientales y de equidad de género que obtienen las empresas y sus productos aumentan las posibilidades de competir en el mercado internacional. Estas certificaciones representan elementos diferenciadores que han demostrado ser claves para abrir oportunidades externas para muchas compañías.